本研究提出了一种名为活跃测量 RL（Amrl）的框架，其中代理学习最大化加权回报，以平衡奖励和观察成本。我们的实证评估表明，Amrl-Q 代理能够在在线训练期间并行学习策略和状态估计器。通过使用主动策略，Amrl-Q 实现了更高的加权回报，而且学习速度与标准 Q-learning 和 Dyna-Q 相似。

May, 2020

本文调查了最近发展的文献，采用了 RL 代理不需要每个时间步都进行昂贵测量的观点，并在 OpenAI gym 和 Atari Pong 环境上与文献中的替代方法进行对比和实证评估，结果表明 DMSOA 在较少的决策步骤和测量下学习到了更好的策略。

Jul, 2023

本文引入一种新的强化学习算法，通过学习马尔可夫决策过程中两个状态之间的距离来预测，距离度量作为内在奖励被用于推动智能体的学习。实验结果表明，相比于模型无关的强化学习，该算法在多个测试环境中具有更好的样本效率。

Oct, 2022

本文提出利用贝叶斯最优实验设计思想指导选择状态 - 动作对查询以达到高效学习的方法，即提出一种衡量一个状态 - 动作对对马尔可夫决策过程的最优解提供多少信息的获取函数，在每次迭代中，我们的算法最大化这个获取函数，选择提供最多信息的状态 - 动作对被查询，从而获得高效的数据驱动强化学习方法；在多个连续控制问题上实验，相比于基于模型或无模型的 RL 基线方法，本文方法学习出的最优策略所需样本量减少了 5-1000 倍。

Dec, 2021

混合符号奖励环境中，重新考虑原有策略更新方法的安全性，通过解决数值估计误差的问题和不显式地最大化 Q 值的方法，提出了新的离策略演员 - 评论家方法，以提高深度强化学习算法在连续动作空间中的学习效果。

Nov, 2023

通过规划最大化任务最优轨迹的期望信息增益的行动序列，使得该方法在较低的样本量下能够学习较强的策略，比探索基线算法少用 2 倍样本，比模型自由方法少用 200 倍样本。

Oct, 2022

通过深度强化学习策略，将测量成本降至最低，同时最大化预测收益，实现基于病人健康历史动态调整的医学测量任务调度，有效地降低了测量次数并提高了预测准确性。

Jan, 2019

本篇论文提出了基于预测模型，使用历史数据构建的虚拟空间的强化学习模型，能够平衡长期和短期奖励，并使模型与真实环境交互以实现学习策略的最终收敛。在 Fed-Batch 过程的实验设置下，我们的方法始终优于现有技术水平。

Nov, 2022

通过一个统一的基于策略的强化学习框架，在五种不同复杂度的连续控制环境中训练了超过 250000 个智能体，对强化学习的实现决策进行了大规模的实证研究，并提供了针对基于策略的训练推荐和技巧。

Jun, 2020

本文提出了一种新颖的量子强化学习算法，通过将量子理论和强化学习相结合，引入了价值更新算法框架，通过概率幅度并行更新以达到在探索和利用之间取得良好平衡，并加速学习。经实验验证，该方法在一些复杂问题中表现出优越性和实用性，是量子计算在人工智能应用方面的有效探索。

Oct, 2008